多发性硬化中的皮质病变、中央静脉征与顺磁性边缘病变：新兴机器学习技术及其未来方向
图像与视频处理
2022-01-20 v1 机器学习
摘要
当前多发性硬化（MS）诊断标准缺乏特异性，可能导致误诊，这仍是当今临床实践中的一个问题。此外，常规生物标志物仅与 MS 疾病进展中度相关。近来，在专用磁共振成像（MRI）序列中可见的先进 MS 病变影像生物标志物，如皮质病变（CL）、中央静脉征（CVS）和顺磁性边缘病变（PRL），在鉴别诊断中显示出更高的特异性。而且，研究表明 CL 和 PRL 是潜在的预后生物标志物，前者与认知障碍相关，后者与早期残疾进展相关。由于基于机器学习的方法在评估常规影像生物标志物（如白质病变分割）方面取得了卓越性能，针对 CL、CVS 和 PRL 也提出了若干自动化或半自动化方法。在本综述中，我们首先介绍这些先进 MS 影像生物标志物及其成像方法。随后，我们描述用于解决这些临床问题的相应基于机器学习的方法，并结合它们仍面临的挑战加以阐述，包括非标准化 MRI 协议、有限的数据集以及中等的评分者间变异性。最后，我们指出了阻碍其更广泛部署的当前局限，并提出了未来研究方向。
引用
@article{arxiv.2201.07463,
title = {Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: emerging machine learning techniques and future avenues},
author = {Francesco La Rosa and Maxence Wynen and Omar Al-Louzi and Erin S Beck and Till Huelnhagen and Pietro Maggi and Jean-Philippe Thiran and Tobias Kober and Russell T Shinohara and Pascal Sati and Daniel S Reich and Cristina Granziera and Martina Absinta and Meritxell Bach Cuadra},
journal= {arXiv preprint arXiv:2201.07463},
year = {2022}
}